PLANIFICATION EXPERIMENTALE - LES PLANS D’EXPERIENCES

I. INTRODUCTION
La recherche qualité est devenue un aspect clef de la compétitivité industrielle. Initialement basée sur les pièces finies,
le contrôle qualité s’est aujourd’hui reporté sur les réglages des procédés permettant une fabrication robuste et sans
défaut. Cette phase sera abordée dès la conception grâce à un outil permettant de mesurer l’importance de chacun
des paramètres avec une méthode expérimentale peu couteuse en nombre d’expérience.

Le plan d’expérience fut initialement utilisé par Sir Ronald Aymler FISCHER (1925) pour optimiser le rendement de la
culture de blé. Il eut l’idée d’appliquer les connaissances mathématiques sur la résolution d’équations linéaire dans
le cadre de modélisation de système. Mais cette approche limitée à deux modalités et des réponses d’ordre 1 est
complexe lorsque les facteurs influents devenaient trop nombreux. Dans les années 1960, Dr Genichi TAGUCHI
démocratisa les plans d’expériences en introduisant un nouveau modèle qui fut progressivement utilisé par les
entreprises jusqu’à devenir indispensable de nos jours. Ces deux méthodes permettent de ne pas passer par le cacul
matriciel pour la résolution.

Aujourd’hui de nombreux plans sont disponibles et plus facile à mettre en œuvre grâce à l’informatisation du calcul
matriciel. Chaque plan permet de poser les expériences optimisées pour un objectif en modélisation voulu, comme la
précision du modèle, la minimisation des expériences, …

Ronald Fisher GenIchi Taguchi Champ d’expérience

Les plans d’expériences sont utiles aux recherches scientifiques et études industrielles. Ils sont applicables dès que
l’on recherche le lien qui existe entre une grandeur d’intérêt quantifiée (réponse Y) et des variables (facteurs ou xi) :

Y = f(xi)

1
Les plans d’expériences servent à optimiser l’organisation des essais expérimentaux pour obtenir le maximum de
renseignements avec le minimum d’expériences et la meilleure précision possible sur les réponses calculées avec le
modèle. Cet objectif est atteint si l’on suit les règles établies mathématiquement et si l’on adopte une démarche
rigoureuse. La préparation du plan et l’interprétation des résultats sont les points les plus critiques.

Les plans d’expériences permettent d’optimiser l’étude d’un problème en minimisant le nombre d’expérience pour
comprendre les effets des différents paramètres impliqués. Cette méthode d’acquisition des connaissances doit :

- Faciliter l’acquisition progressive

- Minimiser le nombre d’expériences
- Fournir la meilleure précision possible

Après les essais, l’expérimentateur est confronté à analyser une pléthore de résultat pour proposer une conclusion.
Une bonne démarche doit fournir des résultats aisés à interpréter.

II. METHODE TRADITIONNELLE

La méthode traditionnelle consiste à fixer tous les paramètres et à faire varier un seul paramètre sur plusieurs
niveaux. Puis on réitère en fixant d’autres paramètres sauf un qui variera sur plusieurs niveaux.

EXEMPLE : soudure par points de 2 tôles en acier, épaisseur 1.5 mm. La réponse est l’effort de rupture d’un point en
cisaillement. Les facteurs sont le temps chaud (5 à 10 périodes) et l’intensité (0.6 à 0.9 du courant maximal). On
prend la notation de YATES pour adopter un codage binaire :

o (Temps =5) = -1 à (Temps=10) = +1

o (Intensité =0.6) = -1 à (Intensité =0.9) = +1

On suppose des variations linéaires. On fixe sur les niveaux minimums (essais 1 à 3).

Essais (1) (2) Réponse Y (N)

1 -1 -1 Y1 = 4000
2 +1 -1 Y2 = 9000
3 -1 +1 Y3 = 8000

On a une réponse graphique

Les effets des facteur (E) sont :

E(1, niveau bas) = (Y2-Y1)/2 = 2500

E(2, niveau bas) = (Y3-Y1)/2 = 2000

On réitère pour les niveaux maximums (essais 4 à 6).

Essais (1) (2) Réponse Y (N)

4 +1 -1 Y4 = 9000
5 +1 +1 Y5 = 10000
6 -1 +1 Y6 = 8000 = Y2

2
 On remarque déjà que nous avons une répétition (Y2 et
Y4, Y3 et Y6). Les effets des facteur (E) sont :

E(1, niveau haut) = (Y5-Y6)/2 = 1000

E(2, niveau haut) = (Y5-Y4)/2 = 500

2500+1000 2000+500
En combinant les 6 expériences : 𝐸(1) = 2
= 1750 et 𝐸(2) = 2
= 1250. D’où le graphique global

Si on veut plus de précision il faut faire un maillage du domaine de validité et faire un test par nœud de maillage.
Cette méthode a de nombreux défauts :

- Elle est longue et fastidieuse si le nombre de facteurs ou le nombre de niveaux par facteurs augmente
- Il faut refaire des essais pour estimer de nouveaux réglages machine
- Elle ne tient pas compte des effets d’interactions des facteurs

Dans le cas de k facteurs à n niveaux, il faudra donc réaliser nk essais ! Si nous avons 6 facteurs à 2 niveaux cela fera
64 essais, ce qui est trop coûteux. Nous utiliserons des outils mathématiques pour réduire le nombre d’essais.

Les plans d’expérience proposeront des nœuds du maillage qui ont la particularité « d’orthogonalité ». Les plans
d’expériences peuvent avoir deux objectifs :

- Recherche d’extremum : minimisation de la dispersion, optimisation du paramétrage procédé. On

étudiera beaucoup de facteurs à seulement 2 niveaux, sans considérer les interactions
- Recherche de nominale : modèle capable de donner la réponse du système pour une configuration
quelconque des facteurs. Par exemple pour régler la machine à une réponse constante quelque soit la
météo. On choisira peu de facteurs mais plusieurs modalités et on ne négligera pas les interactions.

3
EXEMPLE : 20 juges veulent classer 10 vins du moins amer au plus amer. La méthode traditionnelle propose le plan
d’essai suivant :

Ce plan présente de nombreuses confusions : Juge-Produit, Produit-Rang, Produit-Succession, Produit-Séance.

EXEMPLE : étudions la texture des galettes de sarrasin (facilité à plier la galette sans déchirure). Plusieurs variables
interviennent :

- Quantité d’eau : 45%, 55%

- Température de la plaque : 180 °C, 220 °C
- Etalement de la pâte : automatique, à la main
- Quantité de pâte par galette : 55g, 65g
- Farine : bio, non bio
- Pliage : à chaud, à froid
- Température de stockage : 6 °C, 15 °C.

Nous avons 7 facteurs à 2 modalités. Quelles expériences réaliser sachant que chaque expérience dure ½ journée ?
On s’autorise 16 expériences.

- 1ère solution : tester toutes les combinaisons possibles => 27= 128 expériences.
- 2e solution : faire varier un facteur à la fois => impossible d’estimer les interactions
- 3e solution : faire varier tous les facteurs à la fois => la difficulté est de ne pas confondre les effets des
facteurs => on partira sur un plan L12(211).

4
III. PRINCIPES DE BASES

A. Généralités
La méthode des plans d’expérience s’appuie sur les notions d’espace expérimental et de modélisation
mathématique.

1. Terminologie
FACTEUR ou PARAMETRE = variables que l’on désire étudier. Ils peuvent être continus (par ex. : température),
discontinues non ordonnables (par ex. 3 techniciens), ou discontinues ordonnables (par ex. petit, moyen, grand).

NIVEAU ou MODALITE = valeurs prises par les paramètres. Il existe un niveau bas (-1) et un niveau haut (+1).

Le DOMAINE DE VARIATION (ou domaine du facteur ou domaine expérimental) est normalisé sur [-1 ; +1].
L’espace expérimental est un espace euclidien constitué de l’ensemble des points sur [-1 ; +1]n de coordonnées les
conditions expérimentales. Une expérience est représentée par un point expérimental ou point d’expérience. La
réunion des domaines de variation de chaque facteur constitue le domaine d’étude. Comme tous les facteurs ont la
même plage de variation (-1 à +1), les coefficients de l’équation sont comparables pour identifier les plus importants

MATRICE D’EXPERIENCE = définition des essais à réaliser. Une expérience est représentée (géométriquement) en
utilisant les niveaux xi des facteurs comme coordonnées d’un point. L’ensemble des points expérimentaux
représentent le plan d’expérience qui est délimité par le domaine d’étude (définit par la réunion des domaines de
chaque facteur).

Domaine de variation du facteur Définition de l’espace expérimental

Représentation géométrique des points expérimentaux Domaine d’étude défini par l’expérimentateur

REPONSE = grandeur mesurée à chaque expérience. Le choix de la réponse est toujours un point délicat parce que
choisir une mauvaise réponse peut induire l’échec du plan d’expérience.
5
SURFACE DE REPONSE = surface représentant la loi d’évolution entre la réponse et les facteurs. Le modèle
mathématique est un modèle a priori postulé. La réponse Y en un point de coordonnées xi est attribuée à un axe
orthogonal à l’espace expérimental.

La représentation géométrique d’un plan d’expérience et des réponses associées est un espace ayant une dimension
de plus que l’espace expérimental. Pour n facteurs, la surface de réponse est une hypersurface de dimension n dans
un espace de dimension n+1. Le choix du nombre et de l’emplacement des points d’expériences est le problème
fondamental des plans d’expériences. On cherche le minimum d’expériences tout en conservant la meilleure précision
possible sur la surface de réponse.

Définition de la surface de réponse

Corrélation des représentations « surface de réponse » et « courbes isoréponses »

2. Modèle mathématique
En l’absence d’information sur la fonction qui lie la réponse aux facteurs, la formulation la plus générale est :

Cette forme est trop générale. Si on prend le développement limité de Taylor avec les dérivées considérées comme
constantes, nous obtenons un polynôme :

6
Les coefficients ai (contraste ou effet) doivent être calculés à partir des résultats des expériences. L’intérêt de
modéliser la réponse par un polynôme est de pouvoir utiliser tous les résultats de l’algèbre matricielle. Il est possible
d’utiliser d’autres fonctions mathématiques.

Le modèle choisi par l’expérimentateur avant les essais est probablement différent du modèle réel qui régit le
phénomène étudié. L’écart entre les deux modèles est le manque d’ajustement (lack of fit). De plus, si l’on mesure
plusieurs fois une réponse en un point expérimental, il y aura une dispersion des résultats (erreurs aléatoires ou
erreurs expérimentales). Ces deux écarts sont réunis en un seul écart « e » (résidu) :

L’introduction de variables mathématiques (de -1 à +1) pour remplacer les variables expérimentales (par exemple 10
à 30 °C) est appelée variables centrées réduites (v.c.r) et génère deux modifications :

- On change l’unité de mesure : on passe de [10 ; 30] °C à [-1 ;+1]. La nouvelle unité a un pas de 10°C.
- On déplace l’origine des mesures. La nouvelle origine 0 correspond anciennement à 20 °C.

Le passage des variables d’origine A aux v.c.r. xi est donné par (A0 étant la valeur centrale en unités courantes) :

L’intérêt des v.c.r. est de présenter les plans d’expériences de la même manière quelque soient les domaines
d’études et les facteurs.

3. Méthodologie
Une démarche précise est requise pour choisir la meilleure matrice d’expérience adaptée à l’étude.

a) Préparation de l’étude
- Définition de l’objectif de l’étude : souvent négligée ; il est possible d’avoir plusieurs objectifs à
condition d’être compatibles.
- Description détaillée de l’expérimentation : décrire le procédé, les outils de mesures, …
- Choix de la réponse permettant d’atteindre l’objectif : possibilité de choisir une ou plusieurs réponses
(un modèle mathématique par réponse). Il ne s’agit pas de trouver une réponse facile à mesurer mais
une réponse pertinente (par ex. trouver une réponse pour mesurer le pétillant d’une eau, le stress des
contrôleurs aériens, …). Une réponse bien choisie mais mesurée avec une méthode inadaptée (par ex :
mesurer la température avec un thermomètre à mercure plutôt qu’un thermocouple réduira la précision
des réponses et donc du modèle ; par ex. comment mesurer le stress des contrôleurs aériens ?)
- Recherche des facteurs qui pourraient être influents sur la réponse : lister dans un premier temps tous
les facteurs puis décider ceux qui seront des facteurs d’entrée et ceux qui seront des facteurs réglables.
Il existe des plans séquentiels (s’emboitant comme des poupées russes) sur lesquels nous pouvons
ajouter après la première étude quelques essais supplémentaires à ce premier plan et portant sur de
nouveaux facteurs.
- Définition des niveaux des facteurs : cela définit le domaine d’étude à l’intérieur duquel les conclusions
de l’expérimentation sont valables. Attention aux discontinuités (précipitation, changement d’état, …)
ainsi qu’à assurer la réalisation d’une réponse dans tout le domaine d’étude.
- Existence ou non d’interactions entre les facteurs : cela définira le plan. On évitera d’aliaser un
paramètre sur une interaction supposée élevée. La question est difficile à répondre avant essais.

7
 - Examen des contraintes possibles : certains essais ne peuvent être réalisés car les niveaux ne sont pas
atteignables ou ils sont dangereux (explosion) ou les matières premières sont en quantité limitée ou le
budget est limité ou la durée disponible est courte ou …
- Définition des moyens et objectifs : quel est le budget, la durée, les ressources humaines, et les moyens
matériels ? QUI est concerné ? De QUOI s’agit-il ? Où sont réalisés les essais ? Quand sont réalisés les
essais (planning) ? Comment sont réalisés les essais (moyens humains et matériels) ? Pourquoi faisons-
nous ces essais (attente et utilisation des résultats) ?

b) Synthèse des connaissances

o Caractérisation du processus
 Transformer les réponses qualitatives en réponses quantitatives (aspect => nombre de
porosités ; confort d’une voiture => décibels dans l’habitacle ou note de 0 à 10). Dans le cas de
réponses qualitatives (ex : note de 0 à 10 du confort), il est fortement recommandé de répéter
plusieurs fois le plan d’expérience.
 La réponse du plan n’est pas forcément un phénomène physique
 L’erreur de mesure doit être minimisée (répétabilité à réglages constants)
o Recensement des facteurs influençant la réponse
 Réunir les spécialistes de l’étude
 Identifier tous les paramètres (contrôlés et non contrôlés)
 Structurer la recherche de paramètres
 Fixer le domaine de validité des paramètres et leur nombre de niveaux (minimisation du
nombre d’expériences)

c) Choix du plan d’expériences

Lorsque la préparation a été menée avec soin, le choix du plan ne pose pas de problème.

o Recherche d’une nominale (d’un modèle). Ex : L16R4 avec interactions

o Recherche d’un extremum. Ex : L12 sans interactions
o Nombre de répétition du plan. Ex : intervalle de temps entre deux essais
o Nombre d’essais incluant les essais de validation
o Nombre de facteurs et les interactions choisies (Taguchi)

d) Expérimentation
- Attention à correctement ajuster la machine
- Pour évaluer l’erreur expérimentale, il faut faire de vraies répétitions, c’est-à-dire refaire l’ensemble des
manipulations que l’on réalise à chaque essai (par exemple : sur une soudeuse, il faut éteindre, dérégler,
rallumer, et régler à nouveau la machine pour la répétabilité). Il faut en effet la variance de toute la
chaine d’essai et non pas seulement de la mesure.
- Essais du plan : fiche d’essais, participer aux essais, noter tous les problèmes éventuels
- Essais de validation et calcul des résidus
- Essais de linéarité au centre du domaine
- Essais de répétitivité dans le domaine : faire un essai par an pour vérifier que le plan d’expérience est
toujours valide

8
 e) Analyse de la variance
La connaissance de la dispersion des résultats permet de fixer le nombre de répétitions. Cette dispersion, souvent
inconnue, peut être vérifiée en répétant un minimum 4 fois le premier essai.

On peut interpréter la variance comme la moyenne des carrés des écarts à la moyenne.

La variance globale est : V𝑎𝑟 = 𝜎 2

1
et l’écart type σ = √ ∑ (𝑥𝑖𝑗 − 𝑥̅ )2 (établi sur la population entière)
𝑁 𝑖𝑗

1
ou l’estimation de l’écart-type σ = √ ∑ (𝑥𝑖𝑗 − 𝑥̅ )2 (établi sur la base d’un échantillon)
𝑁−1 𝑖𝑗

σ𝑟é𝑝𝑜𝑛𝑠𝑒
Si un modèle est calculé sur n réponse, alors σ𝑚𝑜𝑑𝑒𝑙𝑒 =
√𝑛

, avec 𝑥̅ la moyenne et N-1 le nombre de degrés de liberté.

f) Interprétation des résultats

- Les connaissances théoriques et pratiques du sujet sont indispensables
- L’expérimentateur peut se faire aider par des spécialistes des plans d’expérience et d’autres experts
- L’expérimentateur doit faire lui-même les déductions (ne pas sous-traiter cette partie).
- Graphes, histogramme
- Mise en évidence des facteurs optimaux
- Validation par des essais supplémentaires

g) Arrêt ou poursuite de l’étude

- Arrêt si atteinte des objectifs
- Arrêt si le plan démontre que les objectifs ne sont pas atteignables
- Poursuite ou arrêt s’il y a un espoir d’atteindre les objectifs. La décision dépendra du coût et des enjeux.

9
 4. Les principaux types de plan
Les plans sont choisis en fonction des objectifs :

- Criblage, tamisage, ou balayage : l’objectif n’est pas d’obtenir une réponse précise mais de définir les
facteurs les plus influents sur une réponse donnée.
- Modélisation : l’objectif est d’interpréter le plan par une équation de degré 1, 2, ou plus

Voici quelques plans parmi les plus courants :

- Plan « un facteur à la fois » : ce plan peut se révéler utile lorsqu’il y a beaucoup de facteurs et le
phénomène est compliqué. On obtient aucune interaction. Seuls les effets principaux sont connus.
- Plans factoriels fractionnaires : ces plans permettent d’étudier beaucoup de facteurs et de détecter
leurs interactions (théorie des aliases). Tous ces plans sont basés sur les matrices d’Hadamard (Une
matrice de Hadamard est une matrice carrée dont les coefficients sont tous 1 ou –1 et dont les lignes
sont toutes orthogonales entre elles.). Ils sont parmi les plus utilisés.
- Plans factoriels complets : ils sont gourmands en essais, peuvent être utilisés pour du criblage ou de la
modélisation. Ils sont utilisés surtout pour 2 à 4 facteurs. Comme il n’y a que deux niveaux par facteurs,
ils sont limités aux modèles de premier degré avec interactions. Ces plans facilitent le développement
séquentiel d’une étude : on commence par un plan factoriel, on poursuit si besoin par un plan en étoile.
On aboutit ainsi à un plan composite interprétable par un modèle du second degré.
- Plans composites : ces plans permettent une modélisation de second degré. La démarche comprend un
plan factoriel, un plan en étoile, et des points centraux.
- Plans de mélange : ces plans sont adaptés pour les facteurs dépendants comme le pourcentage des
éléments en chimie. Ils sont utilisés pour étudier l’influence des proportions des constituants d’un
produit sur une réponse donnée.

10
 B. Calcul des effets par le calcul matriciel
Lorsque les facteurs sont bien fixés aux niveaux haut (+1) et bas (-1), le calcul des effets et interactions est simple :
prendre la moyenne des réponses multipliées par les signes respectifs des colonnes. Nous verrons cette méthode
plus tard avec la technique de Box Hunter. Malheureusement cette technique simple n’est pas généralisable si les
points expérimentaux ne sont pas au sommet du domaine d’étude. La généralisation du calcul est le calcul
matriciel. Longtemps évité à cause de sa complexité, les ordinateurs ont rendu ces calculs accessibles aux non-
mathématiciens.

Dans cette partie, les réponses seront considérées comme parfaitement connues et les niveaux constants durant
toute l’expérimentation. Ces hypothèses simplificatrices permettent dans un premier temps de se concentrer sur les
mécanismes du calcul matriciel.

1. Plan 2²
Un expérimentateur souhaite améliorer le rendement (en grammes) d’une réaction chimique.

a) Préparation
CHOIX DES FACTEURS :

- Facteur 1 : concentration du réactif

- Facteur 2 : température du bain réactionnel

DOMAINE D’ETUDE :

- Concentration de 40 à 80 %
- Température de 10 à 30 °C

POINTS EXPERIMENTAUX

- 4 points expérimentaux
- Points placés au sommet du domaine d’étude

CHOIX DE LA REPONSE :

- Masse en gramme du produit synthétisé

- Mesure supposée obtenue sans erreur expérimentale

CHOIX DU PLAN : Plan complet 2²

Matrice d’expérience Matrice d’expérience

en unités courantes en unités centrées réduites
N° essai Concentration Température N° essai Concentration Température
1 40 10 1 -1 -1
2 80 10 2 1 -1
3 40 30 3 -1 1
4 80 30 4 1 1
11
 b) Expérimentation
Matrice d’expériences
Et résultats expérimentaux
1 2 Y (g)
1 -1 -1 1180
2 1 -1 1450
3 -1 1 1240
4 1 1 1530

c) Interprétation
Le domaine d’étude est un carré. Le modèle postulé est un modèle du premier degré par rapport à chaque facteur :

Nous remarquons que a0 correspond à la réponse au point central du domaine d’étude (x1=0 et x2=0).

Le modèle mathématique est adopté avant l’expérimentation : c’est le modèle a priori ou modèle postulé.

2. Calcul selon la méthode classique de Box Hunter

Les effets sont calculés en moyennant la somme des réponses multipliées par le signe de la colonne correspondante.

1
𝑎0 = ∗ (𝑌1 + 𝑌2 + 𝑌3 + 𝑌4) = 1350
4

1
𝑎1 = ∗ (−𝑌1 + 𝑌2 − 𝑌3 + 𝑌4) = 140
4
1
𝑎2 = ∗ (−𝑌1 − 𝑌2 + 𝑌3 + 𝑌4) = 35
4
1
𝑎12 = ∗ (𝑌1 − 𝑌2 − 𝑌3 + 𝑌4) = 5
4

M 1 2 12 Y (g)
1 1 -1 -1 1 1180
2 1 1 -1 -1 1450
3 1 -1 1 -1 1240
4 1 1 1 1 1530
Effet / Contraste 1350 140 35 5

Donc :

𝑌 = 1350 + 140 ∙ 𝑋1 + 35 ∙ 𝑋2 + 5 ∙ 𝑋1 ∙ 𝑋2

Les iso-réponses sont données par :

𝑌 − 1350 − 140 ∗ 𝑋1
𝑋2 =
35 + 5 ∗ 𝑋1

12
 3. Calcul selon la méthode matricielle
𝑌1 +1−1−1+1 𝑎0
[ ] = [+1+1−1−1] [ 𝑎1 ]
𝑌2
𝑌3 +1−1+1−1 𝑎2
𝑌4 +1+1+1+1 𝑎12

𝐲=𝐗∙𝐚

𝐗 −𝟏 ∙ 𝐲 = 𝐗 −𝟏 ∙ 𝐗 ∙ 𝐚 = 𝐈 ∙ 𝐚 = 𝐚

+0.25−0.25−0.25+0.25 𝑌1 𝑎0
[ +0.25+0.25−0.25−0.25 ] [ ] = [ 𝑎1 ]
𝑌2
+0.25−0.25+0.25−0.25 𝑌3 𝑎2
+0.25+0.25+0.25+0.25 𝑌4 𝑎12

𝑎0 +0.25−0.25−0.25+0.25 𝑌1 +0.25−0.25−0.25+0.25 1180 1350

[ 𝑎1 ] = [+0.25+0.25−0.25−0.25] [𝑌2] = [+0.25+0.25−0.25−0.25] [1450] = [ 140 ]
𝑎2 +0.25−0.25+0.25−0.25 𝑌3 +0.25−0.25+0.25−0.25 1240 35
𝑎12 +0.25+0.25+0.25+0.25 𝑌4 +0.25+0.25+0.25+0.25 1530 5

REMARQUE : comme X est ici une matrice d’Hadamard

−𝟏 𝟏 𝟏
𝒂 = ( 𝒕𝑿 ∙ 𝑿) ∙ 𝒕𝑿 ∙ 𝐲 = ∙ 𝑰 ∙ 𝒕𝑿 ∙ 𝐲 = 𝒕𝑿 ∙ 𝐲
𝐧 𝟒
−1
Avec ( 𝑡𝑋 ∙ 𝑋) la variance de chaque coefficient de mon modèle

4. Points expérimentaux décalés par rapport au sommet

Dans le cas où un point expérimental est mal placé, le calcul classique (basé sur les multiplications des réponses par
les signes des colonnes) n’est pas applicable. Seul le calcul matriciel est correct. Vous pourrez sur l’exemple suivant
essayer la méthode classique et constater que les résultats sont incohérents.

Reprenons l’exemple précédent avec un point décalé. Les points visés étaient les points au sommet mais une erreur
de manipulation a décalé le point expérimental du dernier essai.

13
 Matrice d’expérience Matrice d’expérience
en unités courantes en unités centrées réduites
N° essai Concentration Température N° essai Concentration Température
1 40 10 1 -1 -1
2 80 10 2 1 -1
3 40 30 3 -1 1
4 76 30 4 0.8 1

Matrice d’expériences
Et résultats expérimentaux
1 2 Y (g)
1 -1 -1 1180
2 1 -1 1450
3 -1 1 1240
4 0.8 1 1501

Alors le calcul est :

𝑌1 +1 −1 −1 +1 𝑎0
[ ] = [ +1
𝑌2 +1 −1 −1] [ 𝑎1 ]
𝑌3 +1 −1 +1 −1 𝑎2
𝑌4 +1 0.8 +10.8 𝑎12

𝐗 −𝟏 ∙ 𝐲 = 𝐗 −𝟏 ∙ 𝐗 ∙ 𝐚 = 𝐈 ∙ 𝐚 = 𝐚

+0.25−0.25−0.222+0.277 𝑌1 𝑎0
[ +0.25+0.25−0.277+0.277 ] [ ] = [ 𝑎1 ]
𝑌2
+0.25−0.25+0.222+0.277 𝑌3 𝑎2
+0.25+0.25+0.277+0.277 𝑌4 𝑎12

𝑎0 +0.25−0.25−0.222+0.277 1180 1350

[ 𝑎1 ] = [+0.25+0.25−0.277+0.277] [1450] = [ 140 ]
𝑎2 +0.25−0.25+0.222+0.277 1240 35
𝑎12 +0.25+0.25+0.277+0.277 1530 5

14
Nous observons que nous obtenons des iso-courbes presque identiques à celles de l’exemple précédent, mais avec
un domaine de validité réduit (le point [+1 ; +1] n’est pas « calculable » à partir de l’équation de la réponse).

5. Points expérimentaux tous décalés

La maitrise du système étant mauvaise, tous les points sont décalés

Matrice d’expérience
en unités courantes
N° essai Concentration Température
1 40 15
2 76 12
3 50 29
4 80 28

Matrice d’expérience
en unités centrées réduites
N° essai Concentration Température
1 -1 -0.5
2 +0.8 -0.8
3 -0.5 +0.9
4 +0.8 +0.8

Matrice d’expériences
Et résultats expérimentaux
1 2 Y (g)
1 -1 -0.5 1195
2 +0.8 -0.8 1430
3 -0.5 +0.9 1309
4 +0.8 +0.8 1522

Alors le calcul est :

15
 𝑌1 +1 −1 −0.5 +0.5 𝑎0
𝑌2
[ ]=[ +1+0.8−0.8−0.64 ] [ 𝑎1 ]
𝑌3 +1−0.5+0.9−0.45 𝑎2
𝑌4 +1+0.8+0.8 0.8 𝑎12

𝑎0 +0.2872 +0.2821+0.2462+0.1846 1195 1350

[ 𝑎1 ]=[−0.3567 +0.2738−0.2303+0.3112 ][1430 ] = [ 140 ]
𝑎2 −0.3160 −0.3391+0.4665+0.1886 1309 35
𝑎12 +0.4003 −0.3557−0.4864+0.4417 1522 5

C. Plans très mal conditionnés

Les plans très mal conditionnés sont ceux dont la matrice des effets X est non inversible (une matrice X est inversible
si elle est carrée et son déterminant est nul). Un déterminant sera nul si deux lignes ou colonnes de la matrice sont
proportionnelles ou égales.

1. Exemple
Matrice d’expérience
en unités courantes
N° essai Concentration Température
1 40 12
2 55 18
3 72 24.6
4 84 29.6

Matrice d’expérience
en unités centrées réduites
N° essai Concentration Température
1 -1 -0.8
2 -0.25 -0.2
3 +0.6 +0.48
4 +1.2 +0.96

Matrice d’expériences

16
 Et résultats expérimentaux
1 2 Y (g)
1 -1 -0.8 1186
2 -0.25 -0.2 1308
3 +0.6 +0.48 1452
4 +1.2 +0.96 1557

Or ici, la colonne 2 et la colonne 1 sont multiples (x2=0.8*x1). Ces deux coordonnées n’étant plus linéairement
indépendantes, le déterminant de la matrice d’effet X est nul donc X n’est pas inversible.

Malgré la maladresse (ou l’ignorance) de l’expérimentateur, certaines informations sont récupérables à partir des
deux relations :

𝑌 = 𝑎0 + 𝑎1 ∙ 𝑋1 + 𝑎2 ∙ 𝑋2 + 𝑎12 ∙ 𝑋1 ∙ 𝑋2

𝑋2 = 0.8 ∙ 𝑋1

Donc il ne reste que trois inconnues :

𝑌 = 𝑎0 + (𝑎1 + 0.8 ∙ 𝑎2) ∙ 𝑋1 + 0.8 ∙ 𝑎12 ∙ 𝑋1²

En prenant arbitrairement 3 parmi les 4 équations déduites des 4 expériences :

1186 +1 −1 +1 𝑎0
[1308] = [+1 −0.25 −0.0625] [𝑎1 + 0.8 ∗ 𝑎2]
1452 +1 +0.6 +0.36 0.8 ∗ 𝑎12

Y’ = X’ a’

En inversant on obtient

𝑎0 −0.125 +0.941 +0.183 1186 1349

[𝑎1 + 0.8 ∗ 𝑎2] = [ −0.291 −0.627 +0.919] [1308] = [ 167 ]
0.8 ∗ 𝑎12 +0.833 −1.568 +0.735 1452 4

On peut en déduire a0 et a12 ; il est impossible de connaitre séparément a1 et a2 ; nous obtenons une droite
graduée

17
 2. Technique « un facteur à la fois »

Matrice d’expérience
en unités courantes
N° essai Concentration Température
1 40 20
2 80 20
3 60 10
4 60 30

Matrice d’expérience
en unités centrées réduites
N° essai Concentration Température
1 -1 0
2 +1 0
3 0 -1
4 0 +1

Matrice d’expériences
Et résultats expérimentaux
1 2 Y (g)
1 -1 0 1210
2 +1 0 1490
3 0 -1 1315
4 0 +1 1385

Donc :
𝑌1 +1−1 0 0 𝑎0
[ ] = [+1+1 0 0] [ 𝑎1 ]
𝑌2
𝑌3 +1 0 −1 0 𝑎2
𝑌4 +1 0 +1 0 𝑎12

La matrice X n’est pas inversible (colonne nulle) donc seuls a0, a1, et a2 sont calculables. Si l’interaction a12 est
négligeable alors ce type de plan est adapté à l’étude.

18
 D. Grandeurs aléatoires

1. Propriétés des grandeurs aléatoires

Dans les chapitres précédents nous avons supposés pour des raisons de simplification que les réponses étaient
obtenues avec une précision infinie. Or, dans la réalité, répéter une même expérience ne donnera pas exactement
la même valeur de réponse. L’incertitude de mesure ou « erreur expérimentale » est induite par des variations dues
au hasard. Les statisticiens ont dégagé des notions liées à ces valeurs.

Une population est une série des nombreuses valeurs des réponses obtenues par répétition des essais une infinité
de fois. Si l’expérimentateur n’effectue qu’un nombre limité de déterminations en un point expérimental, il obtient
une série de quelques valeurs de réponses (un échantillon).

Nous pouvons calculer :

1
- La moyenne : 𝑦̅ = 𝑁 ∑𝑁
𝑖=1 𝑦𝑖
1
- L’écart des réponses : 𝑒𝑖 = 𝑦𝑖 − 𝑦̅. On remarque que 𝑁 ∑𝑁
𝑖=1 𝑒𝑖 = 0 .
1 1
- La variance : 𝑉𝑎𝑟 = 𝑒̅ 2 = 𝑁 ∑𝑁 2 𝑁 2
𝑖=1 𝑒𝑖 (population complète) ou 𝑉𝑎𝑟 = 𝑁−1 ∑𝑖=1 𝑒𝑖 (échantillon)

1 1
- L’écart-type : 𝜎 = √𝑒̅ 2 = √𝑁 ∑𝑁 2 𝑁 2
𝑖=1 𝑒𝑖 (population complète) ou 𝜎 = √𝑁−1 ∑𝑖=1 𝑒𝑖 (échantillon)

Ces valeurs ne permettent pas d’obtenir une vue globale de la répartition des mesures. Un histogramme peut être
utilisé afin de comparer les effectifs ou fréquences de chaque classe.

Histogramme des effectifs : exemple du nombre de baguettes par classe de poids (en grammes) produites par un boulanger sur
un échantillon de 1 000 baguettes. Chaque classe a un intervalle de 8g.

2. Modèles mathématiques pour les plans d’expérience

a) Choix du modèle
Chaque mesure de réponse est entachée d’une incertitude appelée « erreur expérimentale » ou « erreur de
mesure » ou « erreur pure ». La modélisation des réponses d’un plan d’expérience doit prendre en compte ces
erreurs.

Le modèle mathématique est choisi pour exprimer la réponse en fonction de coefficients constants (les ai) et les
niveaux des facteurs (les xi) :

- Modèle constant : 𝑦 = 𝑎0
- Modèle du premier degré sans interaction : 𝑦 = 𝑎0 + 𝑎1 ∗ 𝑥1 + 𝑎2 ∗ 𝑥2
- Modèle du premier degré avec interactions : 𝑦 = 𝑎0 + 𝑎1 ∗ 𝑥1 + 𝑎2 ∗ 𝑥2 + 𝑎12 ∗ 𝑥1 ∗ 𝑥2
19
 - Modèle du second degré avec interactions : 𝑦 = 𝑎0 + 𝑎1 ∗ 𝑥1 + 𝑎2 ∗ 𝑥2 + 𝑎12 ∗ 𝑥1 ∗ 𝑥2 + 𝑎11 ∗
𝑥12 + 𝑎22 ∗ 𝑥2²
𝑎1
- Modèle non polynomiaux : 𝑦 = 𝑥1 𝑜𝑢 𝑦 = 𝑎1 ∗ sin(𝑥1) , … Ces modèles doivent être ramenés à des
modèles linéaires (ces modèles sont intrinsèquement linéaires ou linéairement transformables). Par
exemple, si le modèle est 𝑦 = 𝑎1 ∗ 𝑥1 ∗ 𝑥22 ∗ 𝑥34 , alors une transformation logarithmique donne
ln(𝑦) = ln(𝑎1) + ln(𝑥1) + 2 ∗ ln(𝑥2) + 4 ∗ ln(𝑥3).

L’expérimentateur doit choisir le modèle le plus proche de la réalité (premier ou second degré, …). Le modèle de
l’expérimentateur choisi doit introduire un terme correctif par rapport au modèle réel de l’expérience (∆(𝑥1, 𝑥2) est
l’erreur d’ajustement ou écart d’ajustement ou « lack of fit » ; elle dépend de la position dans le domaine
expérimental). Il faut aussi introduire un terme d’erreur 𝜎𝑦 (𝑥1, 𝑥2) qui tient compte de la nature « variable
aléatoire » de la réponse :

𝑦 = 𝑎0 + 𝑎1 ∗ 𝑥1 + 𝑎2 ∗ 𝑥2 + 𝑎12 ∗ 𝑥1 ∗ 𝑥2 + 𝑎11 ∗ 𝑥12 + 𝑎22 ∗ 𝑥22 + ∆(𝑥1, 𝑥2) + 𝜎𝑦 (𝑥1, 𝑥2)

Donc pour chaque réponse :

𝑦𝑖 = 𝑎0 + 𝑎1 ∗ 𝑥1 + 𝑎2 ∗ 𝑥2 + 𝑎12 ∗ 𝑥1 ∗ 𝑥2 + 𝑎11 ∗ 𝑥12 + 𝑎22 ∗ 𝑥22 + 𝑒𝑖

L’erreur ei est appelée erreur résiduelle ou résidu. Elle réunit l’erreur d’ajustement et l’erreur expérimentale. Or, s’il
y a n réponses mesurées, alors le nombre d’inconnues est n+p avec n valeurs « ei » à déterminer et p coefficients (les
ai et aij). Donc n équations pour n+p inconnues : c’est impossible à résoudre. Il faut donc utiliser une régression
multilinéaire en utilisant le calcul matriciel.

b) Régression multilinéaire
Les n équations peuvent s’écrire sous la forme :

Y=X*a+e

Avec Y la liste (ou vecteur) des n réponses (matrice n,1 ), a la matrice des p coefficients (matrice p,1), X la matrice
des conditions d’expériences choisies par l’expérimentateur (matrice n,p), et e la matrice des écarts (matrice n,1).

La somme des carrés des écarts s’écrit sous forme matricielle ete. Cette somme sera minimale par rapport aux
coefficients si :

𝜕𝒆𝒕 𝐞
𝜕𝒆𝒕 𝐞 𝜕𝑎0
𝜕𝒂
= 0 = ( …𝒕 ) par définition de la dérivée matricielle
𝜕𝒆 𝐞
𝜕𝑎𝑝

Cela rajoute p inconnues donc le système de n+p équations à n+p inconnues est :

𝐘 = 𝐗 ∗ 𝐚 + 𝐞
{ 𝜕𝒆𝒕 𝐞
=0
𝜕𝒂

La solution est

̂ = (𝑿𝒕 𝑿)−𝟏 𝑿𝒕 𝒚
𝒂

20
, l’accent circonflexe signifiant que le jeu de coefficient est obtenu en faisant l’hypothèse des moindres carrés. Dans
la théorie des plans d’expérience nous avons la matrice d’information 𝑿𝒕 𝑿 et la matrice de dispersion (𝑿𝒕 𝑿)−𝟏.
Donc le modèle déduit est :

̂ = 𝑿. 𝒂
𝒚 ̂

La conséquence de la régression multilinéaire est que la moyenne des résidus est nulle.

21
IV. PLANS FACTORIELS COMPLETS A 2 NIVEAUX
Pour ces plans, le nombre de niveaux de chaque facteur est restreint à 2 et toutes les combinaisons sont effectuées
au cours de l’expérimentation. Les facteurs à 2 niveaux sont les plans les plus simples mais très utiles car ils ont de
très nombreuses applications. Un plan 22 s’écrit :

A B
+1 +1
Matrice des essais [
+1 −1]
−1 +1
−1 −1

Le modèle additif considérera un résidu r pour évaluer la réponse Y du modèle. Le modèle avec interaction
considérera une interaction AB entre les facteurs principaux pour ajuster la réponse du modèle

MODELE ADDITIF MODELE AVEC INTERACTION

Y=I+A+B+r Y = I + A + B + AB

I A B I A B AB
+1 +1 +1 +1 +1 +1 +1
Matrice des effets 𝑋 = [+1 +1 −1]
Matrice des effets 𝑋 = [+1 +1 −1 −1]
+1 −1 +1 +1 −1 +1 −1
+1 −1 −1 +1 −1 −1 +1
4 0 0 4 0 0 0
Orthogonalité ( 𝑡𝑋 ∙ 𝑋) = (0 4 0) = 𝑛𝐼3
Orthogonalité ( 𝑋 ∙ 𝑋) = (0
𝑡 4 0 0) = 𝑛𝐼
4
0 0 4 0 0 4 0
0 0 0 4

( 𝑡𝑋 ∙ 𝑋) = 𝑛𝐼𝑑 (avec n le nombre d’expériences) est la matrice d’Hadamard. Les 0 indiquent que l’on a testé autant
de fois le niveau +1 et -1 ; la diagonale indique qu’il y a 4 expériences. Nous pouvons également vérifier l’orthogonalité
en calculant Colonne(i)*Colonne(j)=0 𝐶𝑜𝑙𝑜𝑛𝑛𝑒(𝑖) ∗ 𝐶𝑜𝑙𝑜𝑛𝑛𝑒(𝑗) = 0 ∀ (𝑖, 𝑗), 𝑖 ≠ 𝑗.

A. Plan à 2 facteurs
Le domaine d’étude est un carré. Le modèle postulé est un modèle du premier degré par rapport à chaque facteur

Les meilleurs points expérimentaux sont aux sommets du domaine d’étude.

La représentation d’une étude se fait sous forme de tableaux (exemple pour un plan 2²) qui sont les matrices
d’expériences ou matrices d’essais.

B. Calcul des coefficients

Dans le cas des plans factoriels à 2 niveaux, la matrice X est une matrice orthogonale d’Hadamard :

, où n est le nombre d’essais et I la matrice unité. On a alors :

22
Le coefficient â0 est la réponse au centre du domaine :

Le coefficient â1 est l’évolution de la réponse prédite dans un plan de coupe x2=0 :

Effet du facteur 1 dans le plan moyen du facteur 2

Le coefficient â12 est une interaction d’ordre 2 et traduit la variation de l’effet d’un facteur en fonction du niveau
d’un autre :

La détermination des effets significatifs peut se faire soit de manière arbitraire, soit, dans le cas de répétition des
̅̅̅̅
𝜎
mesures par expérience, en ne considérant que les effets supérieurs à E, où ∆𝐸 = ±2 𝑌
avec ̅̅̅
𝜎𝑌 la moyenne des
√𝑁
écart-types et N le nombres de mesures.

23
Nous avons des plans complets à 3 et 4 facteurs :

On remarque que tous ces plans sont orthogonaux, ce qui signifie que :

- L’effet de (2) n’est pas biaisé par (1) car (1) est un même nombre de fois au niveau bas et haut que (2)
- L’effet de (2) n’est pas biaisé par (12) car (12) est un même nombre de fois au niveau bas et haut que (2)

Cet avantage permet un calcul précis des effets en utilisant toutes les réponses Y de l’expérience

24
 C. Plans factoriels à k facteurs
L’espace expérimental possède autant de dimensions qu’il y a de facteurs. Les coefficients du modèle sont la
réponse au centre du domaine, les effets principaux, les interactions d’ordre 2, d’ordre 3, … Un plan comportant k
facteurs à 2 niveaux est noté 2k. Pour seulement 7 facteurs, cela représente 128 essais ! Pour diminuer le nombre
des essais, en conservant la possibilité d’étudier tous les facteurs, on a introduit les plans factoriels fractionnaires à
deux niveaux.

Un plan 2k possède pour modèle un polynôme avec 1 coefficient (moyenne), k effets, et 2k-k-1 interactions.

I A B C

0.125 0 0 0
3 𝑡
Sur un plan complet 2 , ( 𝑋 ∙ 𝑋) = 8𝐼4 donc ( 𝑋 ∙ 𝑋)𝑡 −1
=( 0 0.125 0 0 ).
0 0 0.125 0
0 0 0 0.125
0.50 0.25 0.25 −0.50
= ( 0.25 0.50 0.25 −0.50)
𝑡 −1
Sur un plan fractionnaire, la variance de 4 essais choisis au hasard donnera ( 𝑋 ∙ 𝑋) −0.50
0.25 0.25 0.50
−0.50 −0.50 −0.50 1.0
0.25 0 0 0
et le plan de 4 essais bien choisis donnera( 𝑡𝑋 ∙ 𝑋)
−1
=( 0 0.25 0 0 ). Il faut donc choisir les essais pour
0 0 0.25 0
0 0 0 0.25
minimiser la diagonale et équilibrer les essais entre paramètres (valeurs 0 hors diagonale). Une diagonale de valeur
1/n indique que l’estimation des facteurs est optimale.

Le but est de minimiser la variance du plan en choisissant les essais optimums. Ceci permet d’avoir l’estimation des
effets de chaque variable al plus précise possible. La variance du plan Var(plan) est donnée par :

𝑉𝑎𝑟(𝑝𝑙𝑎𝑛) = ( 𝑡𝑋. 𝑋)−1 𝜎 2

, avec 𝜎 2 la variance de chaque réponse. Donc, lorsque ( 𝑡𝑋. 𝑋)−1 est minimal (c-à-d une matrice d’Hadamard), la
𝜎2
variance est de 𝑛
pour chaque facteur et nulle (0. 𝜎 2 = 0) hors diagonale ce qui signifie que l’effet de chaque
facteur est indépendant de tous les autres facteurs (pas de confusions).

L’erreur (ou les variances) sur les coefficients est égal à la variance sur le résidu, r², multiplié par l’élément diagonal
de la matrice de dispersion :

Un bon plan fractionnaire est un plan qui permet d’estimer au mieux l’effet des facteurs. Il faut choisir les essais qui
permettent d’avoir une estimation des effets de chaque variable la plus précise possible. On mesure la précision
−1
d’un facteur par rapport à la variance. Pour cela il faut minimiser la variance du plan. ( 𝑡𝑋 ∙ 𝑋) dépend
uniquement du choix des expériences et 𝜎 2 est la variabilité résiduelle dépendent des résultats des expériences.
−1
Donc l’objectif des plans est de minimiser( 𝑡𝑋 ∙ 𝑋) .

Pour construire un plan 23-1, nous pouvons construire la matrice complète 23 puis choisir parmi tous ces essais
seulement 4 essais qui :

- Pour chaque facteur, il faut tester les niveaux +1 et -1 un même nombre de fois.
- Pour chaque couple de 2 facteurs, prendre autant de fois (1,1), (-1,1), (1,-1), (-1,-1).

25
Bien que faisable pour un plan 23, il est beaucoup trop compliqué de construire manuellement un plan de cette
façon quand le nombre de facteurs augmente. Nous avons besoin d’un principe mathématique de construction.

On constate qu’un plan complet permet d’estimer les effets de tous les facteurs et des interactions d’ordre 2, 3, 4, …
Comme les interactions d’ordre 3 ou plus ne nous intéresse pas en mécanique (elles ne sont pas interprétables), on
aura pour un plan 25 :

Constante + Effet + Interactions d’ordre 2 = 1 + 5 + 10 = 16 paramètres intéressants à estimer

Il serait dommage de faire 25=32 expériences pour évaluer seulement 16 paramètres.

V. PLANS FACTORIELS FRACTIONNAIRES A 2 NIVEAUX 2k-q

Un plan factoriel fractionnaire permet d’étudier tous les facteurs en un nombre réduit d’essais (2q moins d’essais
que le plan complet). On aura un système de n équations à p inconnues avec p>n. Comme on ne peut pas
augmenter le nombre d’équations, il faut diminuer le nombre d’inconnues. On y arrive en utilisant un artifice : on
regroupe les inconnues et on résout le système pour ces groupes d’inconnues. On appelle ces groupes d’inconnues
des « contrastes » et on dit que les inconnues sont « aliasées dans les contrastes ».

Un plan 2k-q étudie k facteurs à 2 niveaux en divisant le plan complet 2k par 2q essais.

A. Matrice des aliases

Supposons qu’on étudie k facteurs et postulons de la réponse est un polynôme contenant p=2k coefficients (une
constante, k effets principaux, et des interactions). Si on réalise n expériences, on obtient n équations à p inconnues
(on ne tient pas compte des résidus) [Modèle 1] :

On ne sait pas résoudre ce système (p>n). On adopte un modèle de substitution [modèle 2] ne contenant que n
inconnues, en regroupant les coefficients du modèle 1 en de nouvelles inconnues (contrastes) :

On décompose X en Xs (n,n) et X (n, p-n) et a en a (n,1) et a (p-n,1) :

26
La matrice (n,p-n) est la matrices des aliases et permet de calculer les contrastes du modèle 2 en
fonction des coefficients du modèle 1.

L’écart-type (ou erreur de calcul sur les effets) est donné par le nombre d’essais n et l’écart type des n réponses 𝜎𝑌 :

B. Application au plan factoriel fractionnaire 23-1

On étudie 3 facteurs en 4 essais.

Le modèle mathématique de la réponse d’un plan factoriel complet comporte 8 coefficients (modèle 1):

Si on effectue 4 essais :

On adopte le modèle 2 :

Les 4 essais conduisent à

On décompose :

27
 .

La matrice des aliases est

C. Calcul de Box
Le calcul de Box permet de retrouver les aliases. On attribue un chiffre gras à chaque colonne. Dans le cas 23-1 :

L’algèbre de Box est basé sur les relations suivantes : 1·1=I et 1·I=1. Pour le plan 23-1 avec le facteur 3 aliasé à la
colonne 12, nous avons pour générateur d’aliase I=123 et les confusions sont 1=23 ; 2=13 ; 3=12 ; I=123.

Soit le plan 23-1. Les générateurs d’alias indépendants sont :

C = AB => CC = ABC => I = ABC

A.I = [Link] => A = BC
B.I. = [Link] => B = AC

Avec le générateur d’alias I=ABC, la confusion d’effet (plan 23-1) est :

28
X’X=tX·X est non inversible à cause des confusions I=ABC, A=BC, … Mais si on se restreint à l’étude des effets
principaux, tX·X s’écrit simplement et est facilement inversible tX·X = n Id.

D. Principe de construction des plans fractionnaires 24-1

Générateur d’alias :
D = ABC => DD = ABCD => I = ABCD

E. Principe de construction des plans fractionnaires 25-2

Pour le plan 25-2 on aliase le facteur 4 à la colonne 12 et le facteur 5 à 13. Dans le cas de plusieurs facteurs aliasés, il
convient de les aliaser avec des interactions du même ordre !! (faire un essai => si on aliase 5 à 123 et 6 à 1234, on a
e’4 = e4+e56 créant une perturbation non négligeable sur un effet de facteur):

I = 124 = 135 = 2345

Générateur d’alias indépendants :

D = AB => DD = ABD => I = ABD
E = AC => EE = ACE => I = ACE

Générateur d’alias dépendants :

I = ABD = ACE => II = (ABD)(ACE) => I = BCDE

ATTENTION : Nous obtenons des paquets d’effets ou interactions. Par exemple il est impossible de savoir ce qui est
dû à C, ABCD, AE, et BDE. Le nombre de générateur d’alias pour un plan fractionnaire 2n-p est égal à 2p-1.

F. Interprétation
L’interprétation nécessite des hypothèses pour créer soit même des informations supplémentaires. Les hypothèses
les plus souvent retenues sont :

- HYPOTHESE 1 : les interactions des ordres 3 ou plus sont négligeables.

29
 - HYPOTHESE 2 : si un contraste est nul alors tous les effets et interactions aliasées sont nuls (le plus
probable) ou se compensent (peu probable et rarement retenue)
- HYPOTHESE 3 : 2 contrastes faibles ont une interaction faible (vraie en mécanique, attention dans le cas
de la chimie).

G. Notion de résolution et nombre maximal de facteurs étudiés

La résolution est la longueur du plus petit générateur d’alias

Par exemple : plan 24-1 : I = ABCD Résolution IV

Plans 25-2 : I = ABD = BCE = BCDE Résolution III

En résolution III les effets principaux sont confondus avec les interactions d’ordre 2. En résolution IV les effets
principaux sont confondus avec les interactions d’ordre 3, et les interactions d’ordre 2 avec d’autres interactions
d’ordre 2. En résolution V les effets principaux sont confondus avec les interactions d’ordre 4, et les interactions
d’ordre 2 avec d’autres interactions d’ordre 3.

La résolution III est souvent utilisée pour faire un balayage ou tamisage, c’est-à-dire identifier qualitativement les
facteurs les plus importants.

30
 H. Exemple de dépouillement des résultats
Considérons négligeables (règles classées de la moins contraignante à la plus contraignante) :
1 – tous les termes d’un paquet lorsque le paquet est négligeable
2 – les interactions d’ordre supérieur ou égal à 3
3 – les interactions entre deux effets négligeables
4 – les interactions comprenant un effet négligeable
5 – toutes les interactions.

EXEMPLE : application des règles à la matrice d’essais

I A B C AB AC BC ABC
ABD BD AD ABCD D BCD ACD CD
ACE CE ABCE AE BCE E ABE BE
BCDE ABCDE CDE BDE ACDE ABDE DE ADE
+2.25 -3.15 0.35 -0.52 2.58 4.15 -0.62 0.26

Les paquets liés à B, C, BC, et ABC sont négligeables :

Règle 1 : tous les termes des paquets B, C, BC, et ABC sont négligeables
Règle 2 : les interactions d’ordre supérieur à 3 sont négligeables
Règle 3 : les interactions entre 2 effets négligeables sont négligeables (aucune)
Règle 4 : les interactions comprenant un effet négligeable sont négligeables (BD, CE, AB, AC)
Règle 5 : toutes les interactions sont négligeables (inutile)
Y = I + A + D + E = 2.25 – 3.15(A) + 2.58(D) + 4.15(E)

I. Plan séquentiel
Dans un plan séquentiel, on commence par une résolution 3 pour avoir une première approche, puis résolution 4
pour estimer plus précisément un facteur. Par exemple un plan 25-2, on part sur 8 essais. Si nous remarquons que
nous avons besoin de plus d’essais pour comprendre les effets des facteurs, on passe en résolution 4 en multipliant
tout le plan initial par -1 pour avoir le plan complémentaire.

On a : PLAN INITIAL : D = AB et E = AC, donc I = ABD = ACE = BCDE

PLAN COMPLEMENTAIRE : -D = (-A)(-B) => D = -AB ET -E = (-A)(-C) => E = -AC
PLAN COMPLET : D = ABS et E = ACS, donc I = ABDS = ACES = BCDE

31
 J. Exemple – collage de tôles
EXEMPLE : collage tôle laminée à froid, épaisseur 1mm, Résine AW134 avec durcisseur. Quels sont les paramètres
optimaux pour la résistance en cisaillement du joint collé ? L’étude se fait avec deux niveaux pour chaque
paramètres/facteurs.

Niveau -1 Niveau +1
(1) % durcisseur 100/50 100/80
(2) épaisseur du joint de colle 0.1 mm 0.5 mm
(3) recouvrement des éprouvettes 10 mm 17 mm
(4) décapage mécanique Non décapée Décapée
(5) température d’étuvage 70 °C 120 °C
(6) temps d’étuvage 15 minutes 60 minutes

On choisit un plan fractionnaire 2(6-2) soit 16 expériences. Le facteur 5 est aliasé à 123 et le facteur 6 est aliasé à 234.
Le groupe générateur d’aliases (GGA) est composé de :

- Générateurs d’aliases indépendants : 1235 et 2346

- Générateurs d’aliases dépendants : 1456

L’équation sera Y’ = M’ + e’1(1) + …. + e’12(12). Or, en utilisant les aliases,

e’1 = e1 + e235 + e456 + e12346 ≈ e1
e’12 ≈ e12 + e35

Les essais seront faits dans un ordre précis en réfléchissant aux paramètres contraignants (minimiser leur
changement entre deux essais successifs) et la répartition du bruit (ordre aléatoire).

(123) (234)
essais (1) (2) (3) (4) (12) (13) (14) (23) (24) (34) (124) (134) (1234) M Y (MPa)
(5) (6)
1 -1 -1 -1 -1 -1 -1 +1 +1 +1 +1 +1 +1 -1 -1 +1 +1 0
2 +1 -1 -1 -1 +1 -1 -1 -1 -1 +1 +1 +1 +1 +1 -1 +1 25.7
3 -1 +1 -1 -1 +1 +1 -1 +1 +1 -1 -1 +1 +1 -1 -1 +1 10
4 +1 +1 -1 -1 -1 +1 +1 -1 -1 -1 -1 +1 -1 +1 +1 +1 18.7
5 -1 -1 +1 -1 +1 +1 +1 -1 +1 -1 +1 -1 -1 +1 -1 +1 10.7
6 +1 -1 +1 -1 -1 +1 -1 +1 -1 -1 +1 -1 +1 -1 +1 +1 17
7 -1 +1 +1 -1 -1 -1 -1 -1 +1 +1 -1 -1 +1 +1 +1 +1 0
8 +1 +1 +1 -1 +1 -1 +1 +1 -1 +1 -1 -1 -1 -1 -1 +1 19.1
9 -1 -1 -1 +1 -1 +1 +1 +1 -1 +1 -1 -1 +1 +1 -1 +1 19.4
10 +1 -1 -1 +1 +1 +1 -1 -1 +1 +1 -1 -1 -1 -1 +1 +1 23.6
11 -1 +1 -1 +1 +1 -1 -1 +1 -1 -1 +1 -1 -1 +1 +1 +1 24.5
12 +1 +1 -1 +1 -1 -1 +1 -1 +1 -1 +1 -1 +1 -1 -1 +1 0
13 -1 -1 +1 +1 +1 -1 +1 -1 -1 -1 -1 +1 +1 -1 + +1 21.7
14 +1 -1 +1 +1 -1 -1 -1 +1 +1 -1 -1 +1 -1 +1 -1 +1 0
15 -1 +1 +1 +1 -1 +1 -1 -1 -1 +1 +1 +1 -1 -1 -1 +1 12.9
16 +1 +1 +1 +1 +1 +1 +1 +1 +1 1 +1 +1 +1 +1 +1 +1 16.2
contra + - - + + + - - - + - - + + +
13.71
stes 1.52 1.04 1.52 1.06 5.22 2.34 0.49 0.44 6.15 0.89 0.34 0.57 0.03 0.68 1.49

32
Problème de cette matrice :

o Certaines réponses sont à 0 (pas de collage) dues à un mauvais choix de paramètres

o L’indicateur e’14 = e14+e56 est supérieur à e1, e5, et e6.

La réponse de notre modèle fractionnaire est : Y’ = 13.71 + 5.22 (5) + 2.34 (6) – 6.15 ((14)+(56))

Afin de dissocier les effets de (14) et (56), nous utilisons un essai supplémentaire permettant de changer le signe de
(14) ou (56)

(123) (234) Y
essais (1) (2) (3) (4)
(5) (6) (MPa)
17 -1 -1 -1 -1 +1 -1 28.12

Nous obtenons 28.12 = 13.71 + 5.22 – 2.34 + X(-(56)+(14)) , soit 11.51 = X(-(56)+(14)).

D’où : {(56)+(14)}=-6.15 et {-(56)+(14)}=11.51 ; soit : Y = 13.71 + 5.22 (5) + 2.34 (6) + 2.68(14) - 8.83(56).

Les résidus sont calculés pour chaque expérience. A noter que la somme des résidus doit être égale à 0. Nous
constatons des résidus élevés (de -5.1 à +8.5) ce qui confirme que le plan d’expérience n’est pas correctement posé.
La variance résiduelle est 1.42. En aucun cas nous ne pourrons extrapoler le modèle hors de la zone de la matrice
expérimentale.

33
VI. PLANS A PLUSIEURS NIVEAUX - METHODE TAGUCHI
La méthode mise au point par Dr Genichi Taguchi permet de résoudre la plupart des problèmes industriels à partir de
tables standardisées. Nous partons d’un modèle mathématique supposé pour créer une matrice orthogonale avec le
modèle. Nous devons donc supposer quelles sont les interactions importantes et celles qui sont négligeables. Cela
requiert une connaissance a priori minimale des paramètres à étudier.

ATTENTION : la méthode Taguchi permet de fortement réduire le nombre d’essai. Mais, si la matrice expérimentale
ne valide pas les essais, il n’est pas possible de savoir quelles interactions importantes ont été négligées.

La philosophie Taguchi consiste à réduire, voire supprimer, l’impact des facteurs bruits sans s’attaquer aux causes de
ces variations (robustesse du plan par rapport au bruit). Il sera nécessaire d’identifier les facteurs importants et régler
les valeurs de façon à ce que le résultat soit le plus indépendant possible des facteurs bruits.

A. Notation

Nombre de niveaux Notation Box-Hunter Notation Taguchi

2 -1 +1 1 2
3 ---------------------- 1 2 3
4 ---------------------- 1 2 3 4

Plan complet (2)3 Plan complet (3)2 Plan complet (2)2 x (3)1

B. Calcul de la réponse modèle

Vigier et Sisson proposent une écriture matricielle du modèle. Si le modèle comporte deux facteurs A et B à 3
niveaux et une interaction AB alors

𝐸𝐴1𝐵1 𝐸𝐴1𝐵2 𝐸𝐴1𝐵3

𝑌 = 𝑀 + [𝐸𝐴1 𝐸𝐴2 𝐸𝐴3][𝐴] + [𝐸𝐵1 𝐸𝐵2 𝐸𝐵3][𝐵] + 𝑡[𝐴] [𝐸𝐴2𝐵1 𝐸𝐴2𝐵2 𝐸𝐴2𝐵3] [𝐵]
𝐸𝐴3𝐵1 𝐸𝐴3𝐵2 𝐸𝐴3𝐵3
1 0
, avec si A est au niveau 1 et B au niveau 2 : [𝐴] = [0] et [𝐵] = [1]
0 0

La somme des termes de chaque ligne et colonne des matrices effet est égale à 0. Cela signifie que la somme des
effets d’un même facteur à différent niveaux est nul:

E(A)i + E(A)j + … + E(A)n = 0

34
 C. Recherche des plans orthogonaux minimums (PPCM, DDL)
Pour pouvoir calculer les effets d’un facteur indépendamment des autres facteurs à partir des résultats du plan, il
faut que le plan d’expérience vérifie la propriété d’orthogonalité.

Soit le plan suivant avec le modèle Y = M + A + B. On peut établir le TABLEAU D’INCIDENCE, c.a.d. le tableau
répertoriant le nombre d’essai par combinaison des niveaux des différents facteurs.

Plan Expérimental
Tableau d’Incidence

Si nous appelons ACTION un facteur ou une interaction, alors nous avons les postulats suivants :

1 – Condition nécessaire et suffisante d’orthogonalité de 2 actions : 2 actions disjointes (ne comportant pas
de facteurs communs) sont orthogonales si, à chaque niveau de l’une, tous les niveaux de l’autre sont associés le
même nombre de fois dans le plan d’expérience.

2 – Orthogonalité d’un plan d’expérience : un plan d’expérience est orthogonal vis-à-vis d’un modèle si
toutes actions disjointes du modèle sont orthogonales dans le plan.

3 – Règle d’orthogonalité : les actions A et B sont orthogonales si le tableau d’incidence T(A,B) a tous ses
termes égaux et non nuls.

Le plan d’expérience aura comme nombre de lignes (ou essais) un multiple du nombre de cases du tableau
d’incidence. Donc, pour qu’un plan soit susceptible d’être orthogonal vis-à-vis d’un modèle, une condition
nécessaire (mais pas suffisante) sera que ce plan devra être le plus petit commun multiple (PPCM) du produit du
nombre de niveaux de toutes les actions disjointes prises 2 à 2.

Une autre condition existe sur le nombre de degrés de liberté (ddl). Le nombre de ddl nous donne le nombre de
valeurs nécessaire à calculer pour connaitre l’ensemble des coefficients du modèle. Il est nécessaire de faire au
moins autant d’essais qu’il y a de ddl dans le modèle.

EXEMPLE : plan orthogonal pour A, B, D facteurs à 3 niveaux ; C facteur à 2 niveaux ; avec modèle :

MODELE Y = M + A + B + C + D + BC + CD
NIVEAUX 3 3 2 3 6 6
DDL 1 2 2 1 2 2 2

Condition d’orthogonalité par rapport au DDL: DDL = 1 + 2 + 2 + 1 + 2 + 2 + 2 = 12. Il faut au minimum 12 essais

35
Condition d’orthogonalité par rapport au PPCM : il faut 18 essais minimum

On en conclut que : Nombre d’essais minimum = max (DDL, PPCM) = 18 essais. On choisira la L18(37x21).

Il est possible que, pour réduire le PPCM et donc le nombre d’essais, il faille ajouter un niveau supplémentaire.

Taguchi a pré-conçu des plans d’expériences sous forme de tables exploitables orthogonales, du plan complet au
plan fractionnaire, comportant un minimum d’essais.

L8 (27) = 8 expériences ; étude de 7 paramètres à 2 niveaux sans interactions

L12 (211) = 12 expériences ; étude de 11 paramètres à 2 niveaux sans interactions. TABLE DE BALAYAGE (screening). Ce plan
répartit les bruits de manière homogène sur tous les facteurs pour pouvoir qualitativement les comparer.

L16 (215) = 16 expériences ; étude de 15 paramètres à 2 niveaux sans interactions

L16 R4 (résolution 4) = 16 expériences ; étude de 8 paramètres à 2 niveaux avec les interactions du 1er ordre confondues

L16 R5 (résolution 5) = 16 expériences ; étude de 8 paramètres à 2 niveaux avec toutes les interactions du 1er ordre

L9 (34) ; L18 (21x37) ; L27 (313) : mêmes tables que précédemment avec des facteurs à 3 niveaux

Le graphe des interactions permet de mettre en évidence les confusions (« alias »). Le graphe des effets permet de
construire le plan selon un modèle et de donner un numéro de colonne à chaque facteur.

36
EXEMPLE : soit le modèle suivant :

MODELE Y = M + A + B + C + D + AB + AC
NIVEAUX 2 2 2 2 4 4
DDL 1 1 1 1 1 1 1

, avec A facteur difficile à modifier. Les conditions d’orthogonalité donnent un PPCM de 8 et un ddl de 7.

Nous choisissons alors le plan L8 (27).

Le plan L8 indique de mettre (par groupe), afin d’ordonner les essais, le paramètre le plus contraignant en colonne 1,
moyennement contraignant en 2 et 3, et les facteurs non contraignants en colonnes 4 à 7. On mettra donc A en
colonne 1.

On affecte alors les facteurs suivants

FACTEUR A B C D E AB AC
COLONNE 1 2 4 7 6 3 5

37
Les confusions ou alias sont alors :

COLONNE 1 COLONNE 2 ALIAS COLONNE ALIAS

A B AB 3
A C AC 5
A D AD 6
A E AE 7
…..

Si les essais sont réalisés avec deux lots différents, il faudra aléariser les essais, c’est-à-dire choisir aléatoirement un
lot pour chacune des pièces utiliser lors des essais afin de rendre aléatoire le lot d’origine des pièces. L’influence du
lot ne sera plus confondue avec un facteur mais sera contenu dans le résidu des essais.

EXEMPLE : calcul des interactions et représentation graphique du modèle

Soit le modèle 𝑌 = 29.6 + [1.8 −1.8]𝐴 + [2.1 −2.1]𝐵 + [−2.4 +2.4]𝐶 + 𝑡𝐴 [ 1.6 −1.6
] 𝐵 + 𝑡𝐵 [
1.5 −1.5
]𝐶
−1.6 1.6 −1.5 1.5

38
EXEMPLE : collage de l’éprouvette en supposant les 6 facteurs sans interactions. Le modèle sans interactions est :

MODELE Y = M + A + B + C + D + E + F
NIVEAUX 2 2 2 2 2 2
DDL 1 1 1 1 1 1 1

L’étude se fait avec deux niveaux pour chaque paramètres/facteurs.

Niveau 1 Niveau 2
(1) % durcisseur 100/40 100/100
(2) épaisseur du joint de colle 0.1 mm 0.5 mm
(3) recouvrement des éprouvettes 12.5 mm 20 mm
(4) décapage mécanique Non décapée Décapée
(5) température d’étuvage 140 °C 180 °C
(6) temps d’étuvage 20 minutes 45 minutes
Les conditions d’orthogonalité donnent un PPCM de 4 et un ddl de 7. Nous choisissons alors le plan L8 (27). Il n’y a
aucune interaction, donc nous pouvons choisir les colonnes arbitrairement. Plaçons l’épaisseur en groupe 1, …

Le modèle calculé est : Y = 21.175 – 0.66(A)+0.42(C)-0.1(D)+0.145(E)-0.62(F)

On vérifie le modèle par 2 essais complémentaires

39
Les résidus sont très élevés. Ceci signifie que des interactions importantes ont été oubliées et sont confondues avec
les facteurs. Nous décidons alors de prendre le plan L12 pour balayer les paramètres les plus importants et pouvoir
ainsi inclure les interactions principales.

La moyenne est égale à 19.6. Nous voyons que l’épaisseur n’a peu d’importance, principalement à cause de
l’expérimentation (l’épaisseur était contrôlée à +/- 0.2 mm !). Ce plan permet de hiérarchiser les paramètres et de
rechercher un premier maximum. Il ne permet pas d’écrire un modèle (« équation »). La L12 ne permet pas de
construire un modèle mathématique sauf dans le cas où les effets d’interaction sont négligeables. La table L12 ne
possède pas de table d’interaction ni de graphe linéaire. Il n’est pas possible d’étudier les interactions entre deux
colonnes car ces interactions ne sont pas orthogonales aux facteurs principaux. La L12 est donc idéale pour la
recherche d’extremum.

Il faudrait dans un second temps retenir les 5 facteurs les plus importants et faire une L16R5 pour mettre en
évidence les interactions éventuelles importantes.

D. Calcul des effets

Effet du facteur A = moyenne des réponses A – moyenne générale
(au niveau i) (pour A au niveau i) .

Effet d’interaction I(AB) = moyenne des réponses – moyenne générale – Effet (A) – Effet (B)
(A au niveau i) (pour A au niveau i) (A au niveau i) (B au niveau j).
(B au niveau j) (pour B au niveau j).

40
 E. Bruits – Plan Produit de Taguchi
Les paramètres agissant sur un système se classent en 3 catégories : paramètres d’entrée, paramètres de pilotage, et
perturbations. L’ensemble de ces paramètres n’est malheureusement pas stable. Ces perturbations ou instabilités
sont appelées bruit. Les bruits peuvent être :

- Bruits intérieurs dus à l’utilisation du système : usure, …

- Bruits extérieurs indépendants du système : météo, …
- Bruits entre produits dus aux différences entre deux produits d’une même production : dispersions des
paramètres d’usinage, …

La traduction de ces bruits en terme de fonctionnement se fera sous la forme de dispersion plus ou moins grande
dans le fonctionnement du système. Un système sera d’autant plus robuste que cette dispersion de fonctionnement
est faible.

Un produit sera robuste si sa qualité n’est pas remise en question par des facteurs extérieurs non contrôlés
(température, …). Le concepteur doit fixer les facteurs du système suivant une double optimisation :
fonctionnement optimum du système et robustesse des résultats.

Pour étudier cette sensibilité aux facteurs bruits, Taguchi propose d’utiliser des plans produits dans lesquels on
distinguera les facteurs contrôlés (le plan principal) et les facteurs bruits (le plan bruit)

EXEMPLE : effort minimal (en grammes) pour décapuchonner un stylo.

Facteurs principaux :
- A : matière du capuchon (matière 1 et matière 2)
- B : matière du stylo (matière 1 et matière 2)
- C : emmanchement (faible et serré)
- D : profondeur d’emmanchement (court, long)

Facteurs bruits :
- R : nombre de décapuchonnnages successifs (premier et dixième)
- S : vieillissement (neuf et vieilli)
- T : température (0°C et 35°C)

41
 𝑆 𝐴𝑚𝑝𝑙𝑖𝑡𝑢𝑑𝑒 𝑆𝑜𝑛 2 𝑀𝑜𝑦𝑒𝑛𝑛𝑒
(𝑁 = 10 ∙ 𝑙𝑜𝑔 ((𝐴𝑚𝑝𝑙𝑖𝑡𝑢𝑑𝑒 𝑏𝑟𝑢𝑖𝑡) ) = 10 ∙ 𝑙𝑜𝑔 ((𝐸𝑐𝑎𝑟𝑡 𝑇𝑦𝑝𝑒) ²)

Modèle : Y1 = 1004 + [64 -64]A + [97 -97]B + [-298 298]C + [-209 209]D + [154 -154]R + [93 -93]S + [101 -101]T

Signal/bruit : Y(S/N) = 11.72 + [0 0]A + [1.5 -1.5]B + [-3.8 3.8]C + [-2.5 2.5]D

S/N optimum pour B=1 ; C=2 ; D=2.

Or, si on veut un effort minimal de 1400 grammes de décapuchonnage, il prendre A = 2. La matière A et B seront
différente ce qui posera des problèmes.

On choisira donc B = 2 pour avoir un compromis Y1 et Y(S/N). Puis on ajuste la profondeur d’emmanchement (un
peu plus faible que le niveau 2) pour obtenir un effort de décapuchonnage de 1400 grammes.

Les essais de confirmation sont donnés ci-dessous. La valeur nominale est un peu plus élevée que 1400 grammes, ce
qui sera ajusté par la longueur de l’emmanchement.

42
VII. ANNEXES - matrices

43
44
45
46